一种滚珠丝杠不平衡样本条件下的故障诊断方法及装置

摘要: 本技术属于机械设备智能化故障诊断,具体涉及一种滚珠丝杠不平衡样本条件下的故障诊断方法及装置。背景技术:1、数控机床作为现代制造业的核心基础装备,其技术水平关乎国...
一种滚珠丝杠不平衡样本条件下的故障诊断方法及装置

本技术属于机械设备智能化故障诊断,具体涉及一种滚珠丝杠不平衡样本条件下的故障诊断方法及装置。

背景技术:

1、数控机床作为现代制造业的核心基础装备,其技术水平关乎国家高端制造能力的发展,而滚珠丝杠副作为进给系统的关键传动部件,直接影响机床的定位精度与运行稳定性。随着数控机床向高速度、高精度及智能化方向发展,对滚珠丝杠等关键部件的健康状态监测与故障诊断提出了更为严苛的要求,以保障设备安全运行并降低维护成本。

2、目前,针对滚珠丝杠的故障诊断已开展了广泛研究,传统方案主要依赖于单一传感器信号采集,并结合浅层机器学习算法或通用卷积神经网络对运行状态进行评估。这类方法旨在通过提取振动信号特征来判断滚珠丝杠是否存在磨损、疲劳或裂纹等故障,以适应复杂的工业运行环境。

3、然而,上述现有技术在实际应用中仍存在明显不足:一方面,工业场景中正常样本与故障样本的分布存在严重不平衡,导致传统深度学习模型易偏向多数类而产生过拟合,且现有的生成对抗网络(generative adversarial network, gan)、变分自编码器(variational auto-encoder,vae)等生成模型常面临模式崩溃及训练不稳定的问题,难以有效扩充少数类样本;另一方面,滚珠丝杠结构复杂且干扰因素多,单一传感器或常规卷积网络难以充分解耦多源信号并协同建模局部细节与全局上下文特征,导致特征表达能力受限,无法满足高精度与强鲁棒性的诊断需求。

技术实现思路

1、本技术的目的在于提供一种滚珠丝杠不平衡样本条件下的故障诊断方法及装置,以解决上述背景技术中提出的问题。

2、第一方面,本技术一实施例提供了一种滚珠丝杠不平衡样本条件下的故障诊断方法,该方法包括:同时采集滚珠丝杠进给机构上多个不同位置的振动信号,构建多通道原始振动数据集;对多通道原始振动数据集进行图像化预处理,将一维振动信号转换为二维堆叠图像样本,并基于二维堆叠图像样本构建总数据集,将总数据集划分为训练集和测试集;利用基于条件去噪扩散概率模型的数据增强模块对训练集进行处理,针对性生成少数类虚假故障样本,以均衡训练集中的类别分布;构建基于深度可分离卷积与swin transformer的双流递进特征融合的故障诊断分类模型,将均衡后的训练集输入故障诊断分类模型进行训练,通过特征级联与跨尺度融合机制完成模型收敛;保持训练完成的故障诊断分类模型的参数不变,将测试集输入故障诊断分类模型,输出故障类别标签,完成滚珠丝杠故障诊断。

3、结合第一方面,在第一方面的某些实现方式中,基于条件去噪扩散概率模型的数据增强模块以u-net网络作为核心去噪网络,利用基于条件去噪扩散概率模型的数据增强模块对训练集进行处理,针对性生成少数类虚假故障样本,以均衡训练集中的类别分布,包括:在前向扩散阶段,向训练集中的少数类虚假故障样本中添加高斯噪声,生成不同时间步对应的噪声图;将噪声图、对应的时间步信息以及故障类别标签共同输入u-net网络,由u-net网络预测所添加的噪声,计算预测噪声与实际噪声之间的损失,并通过反向传播算法完成u-net网络的参数迭代更新;利用训练完成的u-net网络,从随机噪声出发,结合目标故障类别标签执行逆向去噪迭代,生成少数类虚假故障样本,并将少数类虚假故障样本补充至训练集中。

4、结合第一方面,在第一方面的某些实现方式中,u-net网络中集成有时间嵌入模块和类别嵌入模块,利用时间嵌入模块将时间步信息映射为时间嵌入向量,利用类别嵌入模块将故障类别标签映射为类别嵌入向量,在u-net网络的解码阶段,将时间嵌入向量和类别嵌入向量融合至对应的网络解码器所产生的特征图中,使生成的样本具备特定故障类别的指向性。

5、结合第一方面,在第一方面的某些实现方式中,条件去噪扩散概率模型的前向扩散阶段配置有线性方差调度策略,并设定有预定数量的扩散时间步;在u-net网络的训练过程中,采用伯努利分布对故障类别标签执行随机掩码处理,以提升模型在弱条件引导下的泛化能力;在逆向去噪阶段,利用训练完成的u-net网络从随机分布中采样初始噪声,结合目标故障类别标签执行多步迭代去噪,生成少数类虚假故障样本。

6、结合第一方面,在第一方面的某些实现方式中,构建基于深度可分离卷积与swintransformer的双流递进特征融合的故障诊断分类模型,将均衡后的训练集输入故障诊断分类模型进行训练,通过特征级联与跨尺度融合机制完成模型收敛,包括:设置一个共享卷积层,用于对均衡后的训练集进行通道维度的调整,输出初始特征图;构建并行连接的深度可分离卷积支路和swin transformer支路,通过两支路分别提取初始特征图的局部纹理细节特征和全局上下文特征;在两支路的输出端设置特征融合层,用于对两支路输出的特征进行跨尺度融合,得到多尺度级联融合特征;将多尺度级联融合特征输入至全连接层中,计算故障分类损失并更新网络权重,直至模型收敛,完成分类诊断模型的训练。

7、结合第一方面,在第一方面的某些实现方式中,构建并行连接的深度可分离卷积支路和 swin transformer支路,通过两支路分别提取初始特征图的局部纹理细节特征和全局上下文特征,包括:在深度可分离卷积支路中,通过多级深度可分离卷积块逐级提取浅层局部特征和深层局部特征;在swin transformer支路中,通过多级swin transformer模块逐级提取浅层全局特征和深层全局特征。

8、结合第一方面,在第一方面的某些实现方式中,在两支路的输出端设置特征融合层,用于对两支路输出的特征进行跨尺度融合,得到多尺度级联融合特征,包括:将浅层局部特征与浅层全局特征进行元素相加,得到浅层融合特征;将深层局部特征与深层全局特征进行元素相加,得到深层融合特征;对深层融合特征进行上采样处理,使空间尺寸恢复至与浅层融合特征一致;利用特征融合层,将上采样后的深层融合特征与浅层融合特征在通道维度进行拼接,得到多尺度级联融合特征。

9、结合第一方面,在第一方面的某些实现方式中,对多通道原始振动数据集进行图像化预处理,将一维振动信号转换为二维堆叠图像样本,包括:对多通道原始振动数据集中的各通道振动信号分别进行多元变分模态分解,同步提取各通道对应的本征模态函数分量;利用对称点模式映射法,将各本征模态函数分量分别转换为二维对称点模式图;对多张二维对称点模式图进行灰度化处理,并按照通道维度进行堆叠融合,生成单张三通道的二维堆叠图像样本。

10、结合第一方面,在第一方面的某些实现方式中,多元变分模态分解采用协同优化策略,对采集自滚珠丝杠进给机构的固定端、支撑端及工作台的三个通道的振动信号进行同步协同分解,使得各通道经分解后所得的本征模态函数分量数目相同,且同一阶次的分量在物理上相互对应。

11、第二方面,本技术一实施例提供了一种滚珠丝杠不平衡样本条件下的故障诊断装置,该装置包括:信号采集模块,用于同时采集滚珠丝杠进给机构上多个不同位置的振动信号,构建多通道原始振动数据集;预处理模块,用于对多通道原始振动数据集进行图像化预处理,将一维振动信号转换为二维堆叠图像样本,并基于二维堆叠图像样本构建总数据集,将总数据集划分为训练集和测试集;数据增强模块,用于利用基于条件去噪扩散概率模型的数据增强模块对训练集进行处理,针对性生成少数类虚假故障样本,以均衡训练集中的类别分布;模型构建与训练模块,用于构建基于深度可分离卷积与swin transformer的双流递进特征融合的故障诊断分类模型,将均衡后的训练集输入故障诊断分类模型进行训练,通过特征级联与跨尺度融合机制完成模型收敛;故障诊断模块,用于保持训练完成的故障诊断分类模型的参数不变,将测试集输入故障诊断分类模型,输出故障类别标签,完成滚珠丝杠故障诊断。

12、本技术通过在滚珠丝杠进给机构的固定端、支撑端及工作台处三点协同采集振动信号,并结合多元变分模态分解(multivariate variational mode decomposition,mvmd)与对称点模式(symmetrized dot pattern,sdp)映射。mvmd能够有效抑制工业背景噪声并同步解耦多通道信号,而sdp映射将一维非线性时间序列转化为具备强空间拓扑特征的二维图像。通过灰度化与通道堆叠,保留多传感器之间的关联信息,相较于传统单一传感器或纯一维时域分析能够捕获更多复杂故障特征。

13、进一步地,本技术通过mvmd-sdp空间拓扑表征与条件去噪扩散概率模型(conditional denoising diffusion probabilistic models,cddpm)的联合数据增强机制,将一维信号转化为具备强空间几何规律的二维堆叠雪花图,大幅度降低了扩散模型对工业非线性噪声的拟合难度。在故障类别标签的约束下,使得cddpm能够稳定、高质量地生成出多通道间物理协同关联的少数类高保真故障样本,实现了数据集的均衡。

14、进一步地,本技术的分类诊断模型采用了深度可分离卷积(dsc)与swintransformer的并行双支路架构,并构建了独特的跨尺度特征融合机制。一方面,通过深度可分离卷积支路提取二维对称点模式图中的局部边缘与拓扑雪花纹理细节,并行地,利用swin transformer支路的移动窗口自注意力机制,捕获多通道堆叠图像中长距离的空间拓扑上下文依赖关系,实现了局部与全局特征的协同感知;另一方面,在特征融合阶段,通过对两支路深浅层特征的并行元素相加、深层融合特征上采样以及跨尺度的通道拼接操作,使得网络在深层语义抽象表征中能够有效复用浅层的空间拓扑细节与多通道低级特征,既保证了故障信息在深层网络传递中的完整性,又较好地提升了分类器在样本不平衡条件下的收敛速度与故障诊断精度。